Skip to main content
SpringerLink
Log in
Book cover

Praxis der Sinus-Milieus® pp 193–207Cite as

Google Knows it Better?

Ein Plädoyer für integrierte und wider ausschließlich verhaltensorientierte Ansätze zur strategischen Kundensegmentierung

  • Chapter
  • First Online:

Zusammenfassung

Der vorliegende Beitrag hat sich zum Ziel gesetzt, den aktuellen Hype um „Big Data“ und verhaltensbezogene Daten kritisch zu hinterfragen – insbesondere hinsichtlich der Eignung für langfristige Markt- und Kundensegmentierungen. Dabei soll keinesfalls die Bedeutung dieser neuen Datenquellen geringgeschätzt werden; auch sind Verhaltensdaten für so manche kurzfristige, handlungsorientierte Kundensegmentierung durchaus wertvoll. Für eine langfristige, strategische Segmentierung reichen sie jedoch nicht aus. Dazu ist eine mehrdimensionale, integrierte Kundensegmentierung von Vorteil, die neben Eigenschaften und Verhalten auch Einstellungen und Lebenswelten der Kunden berücksichtigt. Um die hinter dem Kundenverhalten liegenden Motive und Ursachen zu berücksichtigen, liefern die Sinus-Milieus eine wertvolle Basis.

This is a preview of subscription content, log in via an institution.

Chapter
USD   29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD   29.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Learn about institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  • Adsquare. 2017. Microm And adsquare In Strategic Partnership To Enable Sinus-Milieus® Use For Mobile Marketing. http://www.adsquare.com/microm-and-adsquare-in-strategic-partnership-to-enable-sinus-milieus-use-for-mobile-marketing/; Zugegriffen: 30. März 2017.

  • Ajzen, I. 1991. The theory of planned behavior. Organizational Behavior and Human Decision Processes 50: 179 – 211.

    Google Scholar 

  • Backhaus, K. und M. Voeth. 2011. Industriegütermarketing. München: Vahlen.

    Google Scholar 

  • Bensberg, F. 2002. CRM und Data Mining. In Customer Relationship Management im Handel – Strategien, Konzepte, Erfahrungen. Hrsg. D. Ahlert, J. Becker, R. Knackstedt und M. Wunderlich, 201 – 226. Berlin: Springer.

    Google Scholar 

  • Bogner, K. und U. Landrock. 2015. Antworttendenzen in standardisierten Umfragen. Mannheim, GESIS – Leibniz Institut für Sozialwissenschaften (SDM Survey Guidelines).

    Google Scholar 

  • Buhl, H. U., Röglinger, M., Moser, F. und J. Heidemann. 2013. Big Data. Ein (ir-)relevanter Modebegriff für Wissenschaft und Praxis? Wirtschaftsinformatik 55: 63 – 68.

    Google Scholar 

  • Diekmann, A. 1995. Empirische Sozialforschung. Grundlagen – Methoden – Anwendungen. Hamburg: Rowohlt.

    Google Scholar 

  • Dorschel, Joachim, Hrsg. 2015. Praxishandbuch Big Data. Wirtschaft – Recht – Technik. Wiesbaden: Springer Gabler.

    Google Scholar 

  • Glöckner, A., Balderjahn, I. und Peyer, M. 2010. Die LOHAS im Kontext der Sinus-Milieus. Marketing Review St. Gallen 27: 36 – 41.

    Google Scholar 

  • Foscht, Thomas, und B. Swoboda. 2011. Käuferverhalten. Grundlagen – Perspektiven – Anwendungen. Wiesbaden: Gabler.

    Google Scholar 

  • Freter, Hermann. 2008. Markt- und Kundensegmentierung: kundenorientierte Markterfassung und -bearbeitung. Stuttgart: Kohlhammer.

    Google Scholar 

  • Helmke, S., Scherberich, J. U. und Uebel, M. 2016. LOHAS-Marketing. Strategie – Instrumente – Praxisbeispiele. Wiesbaden: Springer.

    Google Scholar 

  • Kopp, Gisela. 2014. Behavioral Targeting: Identifizierung verhaltensorientierter Zielgruppen im Rahmen der Online-Werbung. Hamburg: disserta Verlag.

    Google Scholar 

  • Kotler, P. und K. L. Keller. 2015. Marketing-Management. Global Edition. Upper Saddle River (NJ): Prentice-Hall.

    Google Scholar 

  • Kuss, A., Wildner, R. und Kreis, H. 2014: Marktforschung: Grundlagen der Datenerhebung und Datenanalyse, 5. Auflage. Wiesbaden: Gabler.

    Google Scholar 

  • Lemke, M. und G. Wiedemann, Hrsg. 2016. Text Mining in den Sozialwissenschaften. Grundlagen und Anwendungen zwischen qualitativer und quantitativer Diskursanalyse. Wiesbaden: Springer.

    Google Scholar 

  • Liehr, T. 2001. „Data Matching“ bei Finanzdienstleistungen: Steigerung des Share of Wallet bei Top-Kunden. In Handbuch Data Mining im Marketing. Knowledge Discovery in Marketing Databases, Hrsg. H. Hippner, U. Küsters, M. Meyer und K. Wilde, 725 – 740. Braunschweig: Vieweg.

    Google Scholar 

  • Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., und C. Roxburgh. 2011. Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute. http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation; Zugegriffen: 20. März 2017.

  • McAfee, A. und E. Brynjolfsson. 2012. Big Data: The Management Revolution. Harvard Business Review 90: 3 – 9.

    Google Scholar 

  • McDonnell Feit, E., Wang, P., Bradlow, E. T. und Fader, P. S. 2013. Fusing Aggregate and Disaggregate Data with an Application to Multiplatform Media Consumption. Journal of Marketing Research 50: 348 – 364.

    Google Scholar 

  • Medelnik, N. G. 2012. Wert- und bedürfnisorientierte Segmentierung von Konsumgütermärkten. Wiesbaden: Gabler.

    Google Scholar 

  • Meffert, H., Burmann, C., und M. Kirchgeorg. 2015. Marketing – Grundlagen marktorientierter Unternehmensführung Konzepte – Instrumente – Praxisbeispiele. Wiesbaden: Gabler.

    Google Scholar 

  • Meola, A. 2016. Two surprising companies lead the pack in user data privacy and transparency. http://www.businessinsider.com/uber-leads-in-user-privacy-and-datatransparency-2016-5. Zugegriffen: 05. Mai 2017.

  • Müller-Jung, J. 2014. Schmutzige Daten. http://www.faz.net/aktuell/wissen/medizinernaehrung/grippe-prognosen-mit-google-schmutzige-daten-12851452.html; Zugegriffen: 30. März 2017.

  • O’Neil, C. 2016. Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. New York: Crown.

    Google Scholar 

  • Statista. 2017. Prognose zum Volumen der jährlich generierten digitalen Datenmenge weltweit in den Jahren 2005 bis 2020 (in Exabyte). https://de.statista.com/statistik/daten/studie/267974/umfrage/prognose-zum-weltweit-generierten-datenvolumen/. Zugegriffen: 27. März 2017.

  • The CMO Survey. 2016. CMO Survey Report: Highlights and Insights. https://cmosurvey.org/wp-content/uploads/sites/11/2016/02/The_CMO_Survey-Highlights_and_Insights-Feb-2016.pdf; Zugegriffen: 1. April 2017.

  • Tomczak, T. und M. Cristofolini. 2002. Customer Intelligence – oder: Wie lerne ich meine Kunden besser kennen? persönlich – Die Zeitschrift für Marketing und Unternehmensführung 11: 74 – 75.

    Google Scholar 

  • Trusov, M., Ma, L. und Z. Jamal. 2016. Crumbs of the Cookie: User Profiling in Customer- Base Analysis and Behavioral Targeting. Marketing Science 35: 405 – 426.

    Google Scholar 

  • Tucker, C. 2014. Social Networks, Personalized Advertising and Privacy Controls. Journal of Marketing Research October 2014: 546 – 562.

    Google Scholar 

  • van Hattum, P. und H. Hoijtink. 2008. The proof of the pudding is in the eating. Data fusion: An application in marketing. Journal of Database Marketing & Customer Strategy Management 15: 267 – 284.

    Google Scholar 

  • van Hattum, P. und H. Hoijtink. 2009. Improving your sales with data fusion. Journal of Database Marketing & Customer Strategy Management 16: 7 – 14.

    Google Scholar 

  • Weber, C. 2014. Google versagt bei Grippe-Vorhersagen. http://www.sueddeutsche.de/wissen/big-data-google-versagt-bei-grippe-vorhersagen-1.1912226; Zugegriffen: 28. März 2017.

  • Wedel, M. und P. K. Kannan. 2016. Marketing Analytics for Data-Rich Environments. Journal of Marketing 80: 97 – 121.

    Google Scholar 

  • Wimmer, F. und J. Göb. 2006. Customer Intelligence: Marktforschung und Kundenanalyse als Informationsgrundlage im CRM. In Grundlagen des CRM. Konzepte und Gestaltung, Hrsg. H. Hippner und K. D. Wilde, 399 – 418. Wiesbaden: Gabler.

    Google Scholar 

  • Wortmann, C., Fischer, P. M und S. Reinecke. 2016. Too much of a good thing? How Big Data changes managerial decision making in marketing. EMAC 2016 Proceedings. Oslo: European Marketing Academy.

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. St. Gallen, Schweiz

    Von Sven Reinecke & Christoph Wortmann

Authors
  1. Von Sven Reinecke
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Christoph Wortmann
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Von Sven Reinecke .

Editor information

Editors and Affiliations

  1. INTEGRAL Marktforschung , Wien, Austria

    Bertram Barth

  2. SINUS Markt- und Sozialforschung GmbH , Heidelberg, Baden-Württemberg, Germany

    Berthold Bodo Flaig

  3. SINUS Markt- und Sozialforschung GmbH , Heidelberg, Germany

    Norbert Schäuble

  4. SINUS Markt- und Sozialforschung GmbH , Heidelberg, Germany

    Manfred Tautscher

Rights and permissions

Reprints and permissions

Copyright information

© 2018 Springer Fachmedien Wiesbaden GmbH

About this chapter

Cite this chapter

Reinecke, V.S., Wortmann, C. (2018). Google Knows it Better?. In: Barth, B., Flaig, B., Schäuble, N., Tautscher , M. (eds) Praxis der Sinus-Milieus®. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-19335-5_14

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-19335-5_14

  • Published:

  • Publisher Name: Springer VS, Wiesbaden

  • Print ISBN: 978-3-658-19334-8

  • Online ISBN: 978-3-658-19335-5

  • eBook Packages: Social Science and Law (German Language)

Publish with us

Policies and ethics

Search

Navigation